對於推薦引擎,這些技術的優點和缺點(矩陣分解:ALS,皮爾遜或cossin相關)以及我們如何確定使用哪種技術。協作過濾 - 矩陣分解與皮爾遜相關
0
A
回答
3
使用皮爾遜相關性的協作過濾存在一些問題。我會列出幾個大的國家:
可擴展性
當你的數據庫的增長,這將需要越來越長來計算用戶之間的Pearson相關。由於您必須計算每個用戶之間的相關性,因此它將呈指數級增長。數據稀疏
這是大多數推薦引擎的一個大問題。如果您有很多用戶和很多項目以及少量評論,那麼生成建議將變得很困難,因爲您的數據太少而無法計算用戶之間的關聯。冷啓動問題
從技術上講,每個方法從這個問題的困擾,但矩陣分解處理這不是協同過濾更好。冷啓動問題基本上意味着您沒有或幾乎沒有關於用戶的任何數據。當您使用協作過濾器時無法解決此問題。期。
您可以使用替代技術來超越此問題,即基於內容的過濾。
確定您應該使用哪種方法可能很困難。矩陣分解性能優於傳統的基於用戶和基於項目的協作過濾,但您必須決定它是否最適合您的模型。
如果您沒有稀疏數據庫,協作過濾器將運行良好,但矩陣分解方法也是如此。
以下是一些有趣的網站,其中包含有關這些方法的數據。最後,由您或您的團隊決定哪種方法最適合。
內容和協同過濾:http://recommender-systems.org/
隨意問更多,如果這還不夠清楚!
相關問題
- 1. IBM SPSS 20:排名並輸出皮爾遜相關矩陣?
- 2. 如何在Matlab中獲得皮爾遜與矩陣的相關度
- 3. 協作過濾的矩陣分解 - 新用戶和項目?
- 4. 皮爾遜相關函數返回南
- 5. 皮爾遜和/或斯皮爾曼相關性的Javascript庫
- 6. 皮爾遜在Python中的相關性
- 7. R中的皮爾遜相關檢驗的解釋
- 8. 在Python中運行皮爾遜相關性得分時出錯
- 9. 通過p值和皮爾遜相關性評估預測
- 10. 通過所有唯一對迭代皮爾遜R相關
- 11. 性能陣列乘法皮爾遜
- 12. 在sklearn中可以使用皮爾遜相關度量嗎?
- 13. 相關故障 - 皮爾森
- 14. 過濾矩陣
- 15. 如何使用皮爾遜相關係數的GSL實現?
- 16. 計算皮爾遜相關避免零值
- 17. PROC CORR皮爾遜的分類變量
- 18. 相關矩陣
- 19. r函數cor.test():如何計算皮爾遜相關的p值?
- 20. 計算皮爾遜相關係數的差異
- 21. 如何抵消熊貓皮爾遜與日期時間索引的相關性
- 22. 皮爾遜在相關R與一列試驗未定義的數字
- 23. 協作過濾與協作質量過濾有什麼區別?
- 24. 哈爾分解的矩陣歸一化
- 25. 皮爾遜完美哈希
- 26. 決定卡爾曼濾波器矩陣的協方差
- 27. 斯皮爾曼相關和關係
- 28. 矩陣分解
- 29. 協作過濾
- 30. 只有部分矩陣的互相關
矩陣分解也是一種協作過濾器。 – crackjack